使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

Aug, 2018

本文研究了实现强健的皮肤病诊断的实用方法，并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法，并应用卷积神经网络（CNNs）来实现疾病定向诊断和病变定向分类的分类器，并采用来自六个公开皮肤病学大全的75665个皮肤病图像来进行训练与测试，结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。

Dec, 2018

本研究介绍了基于深度学习的黑色素瘤检测系统，包括数据净化和增强工具，通过去除图像的遮挡和用生成对抗网络合成图像来增加数据的多样性。实验证明，该系统相比其他方法表现更为优异。

Feb, 2019

本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了RGB图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了12.02%、4.30%和8.86%的平均Jaccard Index提升。

Mar, 2020

该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的“网络中的网络”方法，用于分割皮肤病变。作者使用了一种名为Faster RCNN的方法进行预处理，配合UNet和Hourglass网络实现皮肤病变的分割。在ISIC 2018数据集上，该方法的Dice相似度系数达到0.915，准确率达到0.959，在ISBI 2017数据集上，Dice相似度系数达到0.947，准确率达到0.971。

May, 2020

使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

Apr, 2021

本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

Feb, 2023

皮肤病变分割在皮肤病的早期检测和准确诊断中起着至关重要的作用。本论文提出了一种新的框架DermoSegDiff，它在学习过程中融入边界信息，并引入了一种新的损失函数来优先考虑边界，并逐渐降低其他区域的重要性。我们还引入了一种基于U-Net的去噪网络，在网络内部高效地集成了噪声和语义信息。在多个皮肤分割数据集上的实验结果表明，DermoSegDiff相比现有的CNN、Transformer和扩散方法在各种情况下均具有优越性，展示了其效果和泛化能力。该实现可在GitHub上公开访问。

Aug, 2023

应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像，相对于传统生成模型在图像质量和皮损分割性能上表现更优，SSIM图像质量指标提高9%，Dice系数超过先前方法5%以上。

Oct, 2023

本研究解决了皮肤病学诊断中高质量注释数据集不足的问题，提出了一种创新的无监督增强解决方案，利用生成对抗网络（GAN）模型在潜在空间中生成皮肤镜图像的语义变体。通过合成图像增加训练数据，我们提高了机器学习模型的性能，并在HAM10000数据集中设定了新的基准，验证了我们方案的有效性和模型可解释性。

Oct, 2024